CN107977895A - 车辆损毁信息的确定方法、装置及用户设备 - Google Patents

Abstract

本公开是关于一种车辆损毁信息的确定方法、装置及用户设备，所述车辆损毁信息的确定方法包括：识别车辆图像中车辆的车款型号；将所述车辆图像输入到预先训练得到的车辆损毁信息的确定模型中；基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价。本公开的车辆损毁信息的确定方法、装置及用户设备，可以避免定损结果受人工经验及主观因素的影响，可以提高车辆定损的效率，保证车辆定损的公平公正，节省人力和时间。

Description

车辆损毁信息的确定方法、装置及用户设备

技术领域

本公开涉及通信技术领域，尤其涉及一种车辆损毁信息的确定方法、装置及用户设备。

背景技术

随着车辆技术的发展以及车辆数量的剧增，车辆之间发生一些例如剐蹭事故的几率也在大大增加。当发生这些事故时，通常由交警或保险公司根据经验，通过人工的方式进行查勘、核对、定损等。

相关技术中，人工进行定损的方式效率低下，而且定损结果很大程度上受人工经验及主观因素的影响，因而不能够做到公平公正，而且耗费人力和时间。

发明内容

为克服相关技术中存在的问题，本公开实施例提供一种车辆损毁信息的确定方法、装置及用户设备。

根据本公开实施例的第一方面，提供一种车辆损毁信息的确定方法，包括：

识别车辆图像中车辆的车款型号；

将所述车辆图像输入到预先训练得到的车辆损毁信息的确定模型中；

基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价。

在一实施例中，所述识别车辆图像中车辆的车款型号，包括：

获取至少一张车辆图像；

基于所述车辆图像确定车辆标识；

基于所述车辆标识及所述车辆图像确定车款型号。

在一实施例中，所述方法还包括：

获取多个发生损毁事件的车辆图像，将获取的所述车辆图像确定为正样本；

确定所述车辆图像中的损毁位置及对应的车辆部位；

对包含损毁位置的车辆部位进行车辆部位类别回归和车辆部位位置回归，对作为所述正样本的所述车辆图像进行车辆部位类别回归、车辆部位位置回归、损毁位置回归以及损毁程度回归，得到所述车辆损毁信息的确定模型。

在一实施例中，基于随机梯度下降方法执行上述车辆部位类别回归、车辆部位位置回归、损毁位置回归以及损毁程度回归。

在一实施例中，所述基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价，包括：

获取所述车辆损毁信息的确定模型的输出结果，所述输出结果包括：包含损毁位置的车辆部位类别、车辆部位位置、损毁位置以及损毁程度；

基于所述车款型号、所述车辆部位类别、车辆部位位置及损毁位置确定对应的损毁部件的价格；

基于所述损毁程度及所述损毁部件的价格确定损毁定价。

根据本公开实施例的第二方面，提供一种车辆损毁信息的确定装置，所述装置包括：

车款型号识别模块，用于识别车辆图像中车辆的车款型号；

车款信息输入模块，用于将所述车辆图像输入到预先训练得到的车辆损毁信息的确定模型中；

损毁定价确定模块，用于基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价。

在一实施例中，所述车款型号识别模块，包括：

车辆图像获取单元，用于获取至少一张车辆图像；

车辆标识确定单元，用于基于所述车辆图像确定车辆标识；

车款型号识别单元，用于基于所述车辆标识及所述车辆图像确定车款型号。

在一实施例中，所述装置还包括确定模型训练模块；

所述确定模型训练模块，包括：

正样本确定单元，用于获取多个发生损毁事件的车辆图像，将获取的所述车辆图像确定为正样本；

损毁信息确定单元，用于确定所述车辆图像中的损毁位置及对应的车辆部位；

确定模型训练单元，用于对包含损毁位置的车辆部位进行车辆部位类别回归和车辆部位位置回归，对作为所述正样本的所述车辆图像进行车辆部位类别回归、车辆部位位置回归、损毁位置回归以及损毁程度回归，得到所述车辆损毁信息的确定模型。

在一实施例中，所述确定模型训练单元，还用于基于随机梯度下降方法执行上述车辆部位类别回归、车辆部位位置回归、损毁位置回归以及损毁程度回归。

在一实施例中，所述损毁定价确定模块，包括：

输出结果获取单元，用于获取所述车辆损毁信息的确定模型的输出结果，所述输出结果包括：包含损毁位置的车辆部位类别、车辆部位位置、损毁位置以及损毁程度；

部件价格确定单元，用于基于所述车款型号、所述车辆部位类别、车辆部位位置及损毁位置确定对应的损毁部件的价格；

损毁定价确定单元，用于基于所述损毁程度及所述损毁部件的价格确定损毁定价。

根据本公开实施例的第三方面，提供一种用户设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

识别车辆图像中车辆的车款型号；

将所述车辆图像输入到预先训练得到的车辆损毁信息的确定模型中；

基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

识别车辆图像中车辆的车款型号；

将所述车辆图像输入到预先训练得到的车辆损毁信息的确定模型中；

基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价。

由上述实施例可知，本公开通过识别车辆图像中车辆的车款型号，并将所述车辆图像输入到预先训练得到的车辆损毁信息的确定模型中，进而基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价，可以避免定损结果受人工经验及主观因素的影响，可以提高车辆定损的效率，保证车辆定损的公平公正，节省人力和时间。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种车辆损毁信息的确定方法的流程图；

图2是根据一示例性实施例示出的如何识别车辆图像中车辆的车款型号的流程图；

图3是根据一示例性实施例示出的如何基于所述车辆标识及所述车辆图像确定车款型号的流程图；

图4是根据一示例性实施例示出的另一种车辆损毁信息的确定方法的流程图；

图5是根据一示例性实施例示出的如何基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价的流程图；

图6是根据一示例性实施例示出的一种车辆损毁信息的确定方法的应用场景示意图；

图7是根据一示例性实施例示出的一种车辆损毁信息的确定装置的框图；

图8是根据一示例性实施例示出的另一种车辆损毁信息的确定装置的框图；

图9是根据一示例性实施例示出的一种用户设备的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种车辆损毁信息的确定方法的流程图；该车辆损毁信息的确定方法可以应用在用户设备例如终端上，本公开中的终端可以是任何具有上网功能的智能终端，例如，可以具体为手机、平板电脑、PDA(Personal DigitalAssistant，个人数字助理)等。

其中，终端可以通过无线局域网接入路由器，并通过路由器访问公网上的服务器。如图1所示，该车辆损毁信息的确定方法包括以下步骤S11-S13：

S11：识别车辆图像中车辆的车款型号。

在一实施例中，可以基于获取的包含损毁部位的车辆图像，确定该车辆的车款型号。

在一实施例中，车辆发生的损毁事件可以包括剐蹭、掉漆、变形等。

在一实施例中，发生上述事故时，可以通过具有拍摄功能的用户设备(例如智能手机)对车辆损毁部位进行拍摄，以获取包含损毁部位的车辆图像。

在一实施例中，用户设备可以基于上述车辆图像确定车辆的标识，进而识别车辆的车辆品牌。举例来说，用户设备可以通过对车辆的标识进行识别，并与预先存储的车辆标识进行比对，来确定上述车辆的标识。在一实施例中，用户设备中还可以预先存储各种车辆标识与车辆品牌的对应关系，进而可以通过识别出的车辆标识确定上述车辆的车辆品牌。

在一实施例中，用户设备可以通过检测网络，例如Faster R-CNN(Regions withConvolutional Neural Network Features，卷积神经网络)，来对车辆图像中的特征部位(即，标识部位)进行提取，然后可以对提取的特征部位做RPN(Region Proposal Networks，区域建议网络)和Fast R-CNN的分类，以确定车辆图像中车辆的车辆标识，进而确定对应的车辆品牌。

在一实施例中，当确定车辆的标识和车辆品牌后，可以根据该车辆的标识和车辆品牌确定车辆的车型。在一实施例中，确定车辆的车款型号可以参见下述图2所示实施例，在此先不进行详述。

值得说明的是，每个品牌的车辆可能包括若干种车型，而车辆型号的不同，所采用的部件也不同。即使是同一品牌的车辆，但由于型号不同，相同的部件也可能采用不同价位和品质的原材料。也就是说，两辆相同品牌、不同车辆型号的车辆，技术剐蹭程度相同，其对应的定损程度也可能不同。因而确定车型类别，对后续车辆定损至关重要。

S12：将所述车辆图像输入到预先训练得到的车辆损毁信息的确定模型中。

在一实施例中，上述车辆毁损信息的确定模型用于根据车辆图像确定车辆的毁损信息。

在一实施例中，上述车辆毁损信息的确定模型的训练方式可以参见下述图4所示实施例，在此先不进行详述。

在一实施例中，当确定上述车辆的车辆图像和车款型号后，可以将该车辆图像和车款型号输入上述预先训练的车辆损毁信息的确定模型。

S13：基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价。

在一实施例中，在将该车辆图像和车款型号输入上述预先训练的车辆损毁信息的确定模型后，可以得到上述模型的输出结果，该输出结果的内容包括但不限于与车辆的损毁程度相关的信息，例如损毁程度、损毁类别和损毁部位等。

在一实施例中，当确定上述与车辆的损毁程度相关的信息后，可以结合车款型号和损毁部件(如车尾灯、引擎盖等)的预设价格，确定上述车辆的损毁定价。

在一实施例中，基于车辆损毁信息的确定模型的输出结果确定车辆的损毁定价的方式可以参见下述图5所示实施例，在此先不进行详述。

由上述描述可知，本公开通过识别车辆图像中车辆的车款型号，并将所述车辆图像输入到预先训练得到的车辆损毁信息的确定模型中，进而基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价，可以避免定损结果受人工经验及主观因素的影响，可以提高车辆定损的效率，保证车辆定损的公平公正，节省人力和时间。

图2是根据一示例性实施例示出的如何识别车辆图像中车辆的车款型号的流程图；本实施例在上述实施例的基础上，以如何识别车辆图像中车辆的车款型号为例进行示例性说明。如图2所示，上述步骤S11中所述识别车辆图像中车辆的车款型号，可以包括以下步骤S21-S23：

S21：获取至少一张车辆图像。

在一实施例中，发生上述事故时，用户可以通过随身携带的具有拍摄功能的用户设备(例如智能手机)，以至少一个预设角度来对车辆损毁部位进行拍摄，以获取至少一张包含损毁部位的车辆图像。

S22：基于所述车辆图像确定车辆标识。

在一实施例中，可以采用预设图像识别算法，对获取的上述车辆图像进行图像识别，以确定上述车辆的车辆标识。

举例来说，可以基于图像边缘的识别方法，将获取的车辆图像的中的标识图案识别出来之后，通过和数据库中预先存储的车辆标识图案进行对比，以确定上述车辆的车辆标识。

在一实施例中，还可以基于深度神经网络(如，Faster-RCNN)检测车辆的标识。举例来说，可以通过Faster-RCNN检测网络提取上述车辆图像的图像特征，进而对图像特征进行rpn(region proposal Networks，区域建议网络)和fast rpn的分类，以得到该车辆的车辆标识；进而，根据预先存储的车辆标识与车辆品牌的对应关系，确定上述车辆标识对应的车辆品牌，即上述车辆的车辆品牌。

值得说明的是，本公开中采用图像别算法或深度神经网络算法可以根据实际需要进行选择，本公开对此不进行限定。

S23：基于所述车辆标识及所述车辆图像确定车款型号。

在一实施例中，当确定车辆标识和车辆图像后，可以基于该车辆标识和车辆图像确定上述车辆的车款型号。

在一实施例中，可以预先构建用于根据车辆标识和车辆图像确定车款型号的分类模型，进而当获取到上述车辆的车辆标识和车辆图像后，可以将该车辆标识和车辆图像输入到上述分类模型中，以根据该分类模型的分类结果确定上述车辆的车款型号。值得说明的是，上述分类模型的选取与训练可以参照相关技术，本公开不再详述。

在一实施例中，基于车辆标识及车辆图像确定车款型号的方式还可以参见下述图3所述实施例，在此先不进行详述。

由上述描述可知，本公开通过获取车辆图像，并基于该车辆图像确定车辆标识，进而基于该车辆标识和车辆图像确定车款型号，可以实现准确、快速地确定车款型号，进而提高后续车辆定损的效率，节省人力和时间。

图3是根据一示例性实施例示出的如何基于所述车辆标识及所述车辆图像确定车款型号的流程图；本实施例在上述实施例的基础上，以如何识别车辆图像中车辆的车款型号为例进行示例性说明。如图3所示，上述步骤S23中所述基于所述车辆标识及所述车辆图像确定车款型号，包括以下步骤S31-S32：

S31：基于深度神经网络检测所述车辆标识，确定车辆品牌。

在一实施例中，当基于车辆图像确定车辆标识后，可以基于预先训练的深度神经网络，通过检测该车辆标识确定车辆品牌。

值得说明的是，上述深度神经网络的训练过程可以参见相关技术，本公开对此不进行限定。

S32：基于所述车辆品牌对所述车辆进行分类，确定车款型号。

在一实施例中，当确定上述车辆品牌后，可以基于该车辆品牌采用预设分类模型对上述车辆进行分类，进而可以根据对所述车辆的分类结果确定该车辆的车款型号。举例来说，可以确定目标车辆品牌对应的多种车款型号，分别采集这些车辆型号对应的车辆图像，进而利用这些车辆图像训练分类模型(例如VGG16分类模型)。

在一实施例中，当确定上述车辆的车辆品牌后，可以基于将该车辆的车辆图像输入到对应的分类模型，以确定该车辆的车款型号。

值得说明的是，上述分类模型的训练过程还可以参见相关技术，本公开对此不进行限定。

由上述描述可知，本公开通过基于深度神经网络检测所述车辆标识，确定车辆品牌，并基于所述车辆品牌对所述车辆进行分类，确定车款型号，可以准确地基于车辆标识即车辆图像确定车款型号，为后续基于车款型号确定车辆损毁信息，进而确定车辆的损毁定价提供准确依据。

图4是根据一示例性实施例示出的另一种车辆损毁信息的确定方法的流程图；该车辆损毁信息的确定方法可以应用在用户设备例如终端上，本公开中的终端可以是任何具有上网功能的智能终端，例如，可以具体为手机、平板电脑、PDA(Personal DigitalAssistant，个人数字助理)等。

其中，终端可以通过无线局域网接入路由器，并通过路由器访问公网上的服务器。如图4所示，该方法包括以下步骤S41-S46：

S41：获取多个发生损毁事件的车辆图像，将获取的所述车辆图像确定为正样本。

在一实施例中，可以通过具有拍摄功能的用户设备(例如智能手机)对损毁车辆进行拍摄，以获取多个发生损毁事件的车辆图像。在一实施例中，车辆发生的损毁事件可以包括剐蹭、掉漆、变形等。

在一实施例中，当获取多个发生损毁事件的车辆图像后，可以将获取的这些车辆图像确定为正样本。

S42：确定所述车辆图像中的损毁位置及对应的车辆部位。

在一实施例中，可以基于获取的车辆图像标定损毁位置(例如，车辆的后视镜的前方)，以及标定该损毁位置对应的车辆部位(例如，车辆的后视镜)。

在一实施例中，可以采用人工标定或自动标定的方式对车辆图像中的损毁位置及对应的车辆部位进行标定。

S43：对包含损毁位置的车辆部位进行车辆部位类别回归和车辆部位位置回归，对作为所述正样本的所述车辆图像进行车辆部位类别回归、车辆部位位置回归、损毁位置回归以及损毁程度回归，得到所述车辆损毁信息的确定模型。

在一实施例中，可以对包含损毁位置的车辆部位进行车辆部位类别回归和车辆部位位置回归。在此基础上，还可以对作为所述正样本的所述车辆图像进行车辆部位类别回归、车辆部位位置回归、损毁位置回归以及损毁程度回归，以得到所述车辆损毁信息的确定模型。

在一实施例中，可以基于随机梯度下降方法执行上述车辆部位类别回归、车辆部位位置回归、损毁位置回归以及损毁程度回归，或者还可以根据实际需要选取其他求最优解的方法，例如梯度下降方法、批量梯度下降方法等，本公开对此不进行限定。

在一实施例中，损毁程度回归的结果可以包括：0％，10％，20％，…，100％一共11个剐蹭程度。

举例来说，本实施例的模型训练过程包括：首先，获取多个发生剐蹭事件的车辆图像，确定为正样本；然后，确定车辆图像中包含的剐蹭位置及对应的车辆部位，例如剐蹭位置为车辆侧面，具体的车辆部位为左侧后车门，并对剐蹭位置和车辆部位进行标定；最后，基于随机梯度下降(Stochastic Gradient Descent，SGD)方法对这些正样本进行训练，得到深度学习的车辆损毁信息的确定模型。

S44：识别车辆图像中车辆的车款型号。

S45：将所述车辆图像输入到预先训练得到的车辆损毁信息的确定模型中。

S46：基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价。

其中，步骤S44-S46与前述图1所示实施例中的步骤S11-S13相同，相关解释说明可以参见前述实施例，在此不进行赘述。

由上述描述可知，本公开通过获取多个发生损毁事件的车辆图像，将获取的所述车辆图像确定为正样本，并确定所述车辆图像中的损毁位置及对应的车辆部位，进而对包含损毁位置的车辆部位进行车辆部位类别回归和车辆部位位置回归，对作为所述正样本的所述车辆图像进行车辆部位类别回归、车辆部位位置回归、损毁位置回归以及损毁程度回归，进而可以得到所述车辆损毁信息的确定模型，为后续基于该确定模型确定车辆损毁信息，进而确定车辆的损毁定价提供准确依据。

图5是根据一示例性实施例示出的如何基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价的流程图；本实施例在上述实施例的基础上，以如何基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价为例进行示例性说明。如图5所示，步骤S13中所述基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价，可以包括以下步骤S51-S53：

S51：获取所述车辆损毁信息的确定模型的输出结果。

其中，所述输出结果包括：包含损毁位置的车辆部位类别、车辆部位位置、损毁位置以及损毁程度。

在一实施例中，将上述车辆图像、车款型号输入到上述训练得到的车辆损毁信息的确定模型后，可以获取到该确定模型的输出结果，即获取到：包含损毁位置的车辆部位类别、车辆部位位置、损毁位置以及损毁程度。

S52：基于所述车款型号、所述车辆部位类别、车辆部位位置及损毁位置确定对应的损毁部件的价格。

在一实施例中，可以预先存储各车款型号、车辆部位类别、车辆部位位置及损毁位置与损毁部件的价格之间的对应关系。进而，当确定上述车辆的车款型号、所述车辆部位类别、车辆部位位置及损毁位置后，可以查询上述对应关系，确定对应的损毁部件的价格。

S53：基于所述损毁程度及所述损毁部件的价格确定损毁定价。

在一实施例中，可以基于车款型号及对应的剐蹭位置确定对应的部件价格，并根据剐蹭程度确定损伤定价。

在一实施例中，当确定上述车辆的损毁程度和损毁部件的价格后，可以确定上述车辆的损毁定价。

举例来说，若确定上述车辆的左、右后视镜的损毁程度是100％(即无法修复，需要更换)，并且该后视镜的价格为A，则可以确定车辆的损毁定价为2*A。

由上述描述可知，本公开实施例通过获取所述车辆损毁信息的确定模型的输出结果，并基于输出结果中包括的车款型号、所述车辆部位类别、车辆部位位置及损毁位置确定对应的损毁部件的价格，进而可以基于输出结果中包括的损毁程度及损毁部件的价格确定损毁定价，可以避免定损结果受人工经验及主观因素的影响，可以提高车辆定损的效率，保证车辆定损的公平公正，节省人力和时间。

图6是根据一示例性实施例示出的一种车辆损毁信息的确定方法的应用场景示意图；如图6所示，终端设备100获取至少一张车辆200的图像，并基于该车辆图像确定车辆标识(例如，奥迪的四环标识)，进而基于该车辆标识及上述车辆图像确定车款型号(例如，奥迪A4L)，并将所述车辆图像输入到预先训练得到的车辆损毁信息的确定模型中，进而基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价。

由上述描述可知，本公开通过识别车辆图像中车辆的车款型号，并将所述车辆图像输入到预先训练得到的车辆损毁信息的确定模型中，进而基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价，可以避免定损结果受人工经验及主观因素的影响，可以提高车辆定损的效率，保证车辆定损的公平公正，节省人力和时间。

图7是根据一示例性实施例示出的一种车辆损毁信息的确定装置的框图；如图7所示，该装置包括：车款型号识别模块110、车款信息输入模块120以及损毁定价确定模块130，其中：

车款型号识别模块110，用于识别车辆图像中车辆的车款型号；

车款信息输入模块120，用于将所述车辆图像输入到预先训练得到的车辆损毁信息的确定模型中；

损毁定价确定模块130，用于基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价。

图8是根据一示例性实施例示出的另一种车辆损毁信息的确定装置的框图；其中，车款型号识别模块220、车款信息输入模块230以及损毁定价确定模块240与前述图7所述实施例中的车款型号识别模块110、车款信息输入模块120以及损毁定价确定模块130的功能相同，在此不进行赘述。如图8所示，车款型号识别模块220，可以包括：

车辆图像获取单元221，用于获取至少一张车辆图像；

车辆标识确定单元222，用于基于所述车辆图像确定车辆标识；

车款型号识别单元223，用于基于所述车辆标识及所述车辆图像确定车款型号。

在一实施例中，车款型号识别单元223还可以用于：

基于深度神经网络检测所述车辆标识，确定车辆品牌；

基于所述车辆品牌对所述车辆进行分类，确定车款型号。

在一实施例中，该装置还可以包括确定模型训练模块210；

确定模型训练模块210，可以包括：

正样本确定单元211，用于获取多个发生损毁事件的车辆图像，将获取的所述车辆图像确定为正样本；

损毁信息确定单元212，用于确定所述车辆图像中的损毁位置及对应的车辆部位；

确定模型训练单元213，用于对包含损毁位置的车辆部位进行车辆部位类别回归和车辆部位位置回归，对作为所述正样本的所述车辆图像进行车辆部位类别回归、车辆部位位置回归、损毁位置回归以及损毁程度回归，得到所述车辆损毁信息的确定模型。

在一实施例中，确定模型训练单元213，还可以用于基于随机梯度下降方法执行上述车辆部位类别回归、车辆部位位置回归、损毁位置回归以及损毁程度回归。

在一实施例中，损毁定价确定模块240，可以包括：

输出结果获取单元241，用于获取所述车辆损毁信息的确定模型的输出结果，所述输出结果包括：包含损毁位置的车辆部位类别、车辆部位位置、损毁位置以及损毁程度；

部件价格确定单元242，用于基于所述车款型号、所述车辆部位类别、车辆部位位置及损毁位置确定对应的损毁部件的价格；

损毁定价确定单元243，用于基于所述损毁程度及所述损毁部件的价格确定损毁定价。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图9是根据一示例性实施例示出的一种用户设备的框图。例如，装置300可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图9，装置900可以包括以下一个或多个组件：处理组件902，存储器904，电源组件906，多媒体组件908，音频组件910，输入/输出(I/O)的接口912，传感器组件914，以及通信组件916。

处理组件902通常控制装置900的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件902可以包括一个或多个处理器320来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件902可以包括一个或多个模块，便于处理组件902和其他组件之间的交互。例如，处理部件902可以包括多媒体模块，以方便多媒体组件908和处理组件902之间的交互。

存储器904被配置为存储各种类型的数据以支持在设备900的操作。这些数据的示例包括用于在装置900上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器904可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件906为装置900的各种组件提供电力。电力组件906可以包括电源管理系统，一个或多个电源，及其他与为装置900生成、管理和分配电力相关联的组件。

多媒体组件908包括在所述装置900和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件908包括一个前置摄像头和/或后置摄像头。当装置900处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件910被配置为输出和/或输入音频信号。例如，音频组件910包括一个麦克风(MIC)，当装置900处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器904或经由通信组件916发送。在一些实施例中，音频组件910还包括一个扬声器，用于输出音频信号。

I/O接口912为处理组件902和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件914包括一个或多个传感器，用于为装置900提供各个方面的状态评估。例如，传感器组件914可以检测到装置900的打开/关闭状态，组件的相对定位，例如所述组件为装置900的显示器和小键盘，传感器组件914还可以检测装置900或装置900一个组件的位置改变，用户与装置900接触的存在或不存在，装置900方位或加速/减速和装置900的温度变化。传感器组件914可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件914还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件914还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件916被配置为便于装置900和其他设备之间有线或无线方式的通信。装置900可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件916经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件916还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置900可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述车辆损毁信息的确定方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器904，上述指令可由装置900的处理器320执行以完成上述车辆损毁信息的确定方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (12)

1.一种车辆损毁信息的确定方法，其特征在于，所述方法包括：

识别车辆图像中车辆的车款型号；

将所述车辆图像输入到预先训练得到的车辆损毁信息的确定模型中；

基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价。

2.根据权利要求1所述的方法，其特征在于，所述识别车辆图像中车辆的车款型号，包括：

获取至少一张车辆图像；

基于所述车辆图像确定车辆标识；

基于所述车辆标识及所述车辆图像确定车款型号。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取多个发生损毁事件的车辆图像，将获取的所述车辆图像确定为正样本；

确定所述车辆图像中的损毁位置及对应的车辆部位；

对包含损毁位置的车辆部位进行车辆部位类别回归和车辆部位位置回归，对作为所述正样本的所述车辆图像进行车辆部位类别回归、车辆部位位置回归、损毁位置回归以及损毁程度回归，得到所述车辆损毁信息的确定模型。

4.根据权利要求3所述的方法，其特征在于，基于随机梯度下降方法执行上述车辆部位类别回归、车辆部位位置回归、损毁位置回归以及损毁程度回归。

5.根据权利要求3所述的方法，其特征在于，所述基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价，包括：

获取所述车辆损毁信息的确定模型的输出结果，所述输出结果包括：包含损毁位置的车辆部位类别、车辆部位位置、损毁位置以及损毁程度；

基于所述车款型号、所述车辆部位类别、车辆部位位置及损毁位置确定对应的损毁部件的价格；

基于所述损毁程度及所述损毁部件的价格确定损毁定价。

6.一种车辆损毁信息的确定装置，其特征在于，所述装置包括：

车款型号识别模块，用于识别车辆图像中车辆的车款型号；

车款信息输入模块，用于将所述车辆图像输入到预先训练得到的车辆损毁信息的确定模型中；

损毁定价确定模块，用于基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价。

7.根据权利要求6所述的装置，其特征在于，所述车款型号识别模块，包括：

车辆图像获取单元，用于获取至少一张车辆图像；

车辆标识确定单元，用于基于所述车辆图像确定车辆标识；

车款型号识别单元，用于基于所述车辆标识及所述车辆图像确定车款型号。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括确定模型训练模块；

所述确定模型训练模块，包括：

正样本确定单元，用于获取多个发生损毁事件的车辆图像，将获取的所述车辆图像确定为正样本；

损毁信息确定单元，用于确定所述车辆图像中的损毁位置及对应的车辆部位；

确定模型训练单元，用于对包含损毁位置的车辆部位进行车辆部位类别回归和车辆部位位置回归，对作为所述正样本的所述车辆图像进行车辆部位类别回归、车辆部位位置回归、损毁位置回归以及损毁程度回归，得到所述车辆损毁信息的确定模型。

9.根据权利要求8所述的装置，其特征在于，所述确定模型训练单元，还用于基于随机梯度下降方法执行上述车辆部位类别回归、车辆部位位置回归、损毁位置回归以及损毁程度回归。

10.根据权利要求8所述的装置，其特征在于，所述损毁定价确定模块，包括：

输出结果获取单元，用于获取所述车辆损毁信息的确定模型的输出结果，所述输出结果包括：包含损毁位置的车辆部位类别、车辆部位位置、损毁位置以及损毁程度；

部件价格确定单元，用于基于所述车款型号、所述车辆部位类别、车辆部位位置及损毁位置确定对应的损毁部件的价格；

损毁定价确定单元，用于基于所述损毁程度及所述损毁部件的价格确定损毁定价。

11.一种用户设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

识别车辆图像中车辆的车款型号；

将所述车辆图像输入到预先训练得到的车辆损毁信息的确定模型中；

基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现以下步骤：

识别车辆图像中车辆的车款型号；

将所述车辆图像输入到预先训练得到的车辆损毁信息的确定模型中；

基于所述车辆损毁信息的确定模型的输出结果以及所述车款型号确定所述车辆的损毁定价。